Попереднє навчання генеративно-змагальних моделей перекладу зображень в умовах обмеженої кількості даних

Abstract

У роботі порівняно ефективність способів аугментації даних та попереднього навчання в генеративно-змагальних моделях перекладу зображень в умовах обмеженої кількості даних. Розглянуто існуючі рішення та встановлено, що вони не повністю вирішують проблему малої кількості навчальних даних, яка загрожує перенавчанням дискримінатора та постійним погіршенням результату. Вдалі результати за таких умов досягаються ранньою зупинкою навчання. Запропоновано модель двоцільового дискримінатора, за допомогою якого очікується уникнення негативних ефектів перенавчання дискримінатора та потреби в ранній зупинці навчання.